EK O N O M E T RI K A

Further Issues in 2x+

Using OLS with 1
Time Series Data
(TS)
3x + 2x
(kelompok 5)

PROF, DR. NI NYOMAN

YULIARMI, SE., MP.
 m pok:
ot a ke lo
Angg

Alifio Aradea Sherin Oktaviana

Putranto Hayaz
S U B A
B : • deret waktu stasioner dan
ketergantungan lemah
• sifat asimtotik OLS
• deret waktu yang sangat presisten dalam
analisis regresi
• model yang lengkap secara dinamis dan
tidak ada korelasi serial
• homoskedastisitas untuk model seri
 Bagian
WAKTU 1 • deret waktu stasioner dan

STASIONER DAN nonstasioner

• deret waktu
KETERGANTUNGA ketergantungan lemah

N LEMAH
2.1.1 Deret Waktu Stasioner dan
Nonstasioner
Secara historis, gagasan tentang proses stasioner telah memainkan peran penting dalam analisis seri waktu. Proses deret waktu
stasioner adalah proses yang distribusi probabilitasnya stabil sepanjang waktu dalam pengertian berikut: Jika kita mengambil
kumpulan variabel acak dalam urutan dan kemudian menggesernya urutan ke depan h periode waktu, distribusi probabilitas
bersama harus tetap tidak berubah. Formal definisi mengikuti stasioneritas.

Proses Stochastic Stasioner. Proses stokastik { : t = 1, Definisi ini sedikit abstrak, tetapi artinya cukup sederhana.

2,...} stasioner jika untuk 𝑡 setiap kumpulan indeks waktu 1 Satu implikasi (memilih m = 1 dan = 1) adalah bahwa memiliki

≤ < <...< , distribusi gabungan (, ,..., ) sama dengan distribusi yang sama dengan untuk semua t = 2, 3,.... Di lain

distribusi gabungan dari (, ,..., ) untuk semua bilangan kata, urutan { : t = 1, 2,...} terdistribusi identik. Stasioneritas

bulat h ≥ 1. membutuhkan lebih banyak lagi. sebagai contoh, distribusi

gabungan dari (, ) (dua suku pertama dalam barisan) harus
sama dengan distribusi bersama(, ) untuk t ≥ 1.
 Terkadang, bentuk stasioneritas yang lebih lemah sudah cukup. Jika {: t
= 1, 2,...} memiliki momen detik berhingga, yaitu, E() < ∞ untuk semua t,
maka definisi berikut berlaku.

Proses Stasioner Kovarians. Proses stokastik {: t = 1, 2,...} dengan Bagaimana stasioneritas digunakan dalam ekonometrik deret

momen detik berhingga E() < ∞] stasioner kovarians jika (i) E() konstan; waktu? Pada tingkat teknis, stasioneritas menyederhanakan

(ii) Var() konstan; dan (iii) untuk setiap t, h ≥ 1, Cov (, ) hanya bergantung pernyataan hukum bilangan besar (LLN) dan CLT, meskipun

pada h dan tidak pada t. kami tidak akan khawatir tentang pernyataan formal dalam bab
ini. Pada tingkat praktis, jika kita ingin memahami hubungan
antara dua atau lebih variabel menggunakan analisis regresi, kita
Stasioneritas kovarians hanya berfokus pada yang pertama dua
perlu mengasumsikan semacam stabilitas dari waktu ke waktu.
momen dari proses stokastik: mean dan varians dari proses adalah
konstan sepanjang waktu, dan kovarians antara dan hanya bergantung
pada jarak antara dua suku, h, dan bukan pada lokasi periode waktu awal,
t. Ini segera mengikuti bahwa korelasi antara dan juga hanya bergantung
pada h.
 2.1.2 Deret Waktu Ketergantungan
Lemah
Pengertian ketergantungan lemah paling mudah dibahas untuk deret waktu stasioner:
secara longgar, waktu stasioner proses seri { : t = 1, 2,...} dikatakan ketergantung lemah jika
dan “hampir bebas” ketika h bertambah tanpa terikat. Pernyataan serupa berlaku jika barisan
tidak stasioner, tetapi kita harus berasumsi bahwa konsep menjadi hampir bebas tidak
bergantung pada permulaan titik, t.

Untuk tujuan kita, gagasan intuitif tentang arti ketergantungan yang
lemah sudah cukup. kovarians urutan stasioner dapat dicirikan dalam hal
korelasi: deret waktu stasioner kovarians bergantung lemah jika korelasi
antara dan dan mendekati nol “cukup cepat” sebagai h →∞. (Karena
stasioneritas kovarians, korelasi tidak bergantung pada titik awal, t.)
Dengan kata lain, ketika variabel semakin jauh terpisah dalam waktu,
korelasi di antara mereka menjadi lebih kecil dan lebih kecil.
Mengapa ketergantungan yang lemah penting untuk analisis
regresi? Pada dasarnya, ini menggantikan asumsi pengambilan sampel
acak yang menyiratkan bahwa LLN dan CLT berlaku. CLT paling
terkenal untuk data deret waktu memerlukan stasioneritas dan beberapa
bentuk ketergantungan yang lemah: dengan demikian, stasioner,
dependen deret waktu lemah ideal untuk digunakan dalam analisis
regresi berganda.
Contoh paling sederhana dari deret waktu yang kergantungan lemah adalah deret
yang independen dan terdistribusi identik: deret yang independen adalah deret yang
sangat lemah. Contoh yang lebih menarik dari barisan ketergantungan lemah adalah

dimana { : t = 0, 1,...} adalah i.i.d. barisan dengan mean nol dan varians Proses {} disebut
proses rata-rata bergerak orde satu [MA(1)]: adalah rata-rata tertimbang dari dan ; selanjutnya
periode, kami menjatuhkan , dan kemudian bergantung pada dan .

Mengapa proses MA(1) sangat bergantung? Istilah yang berdekatan dalam urutan berkorelasi: karena = +, Cov(, ) = Var () = .
Karena Var() = (1 + ) , Corr(, + 1 ) = /(1 + ). Misalnya, jika = .5, maka Corr(, ) = .4. [Korelasi positif maksimum terjadi ketika =
1, dalam hal ini, Corr(, ) = .5.] Namun, setelah kita melihat variabel dalam urutan yang terpisah dua periode waktu atau lebih, variabel-
variabel ini tidak berkorelasi karena mereka mandiri.

Contoh yang lebih populer adalah prosesnya

 Untuk melihat bahwa proses AR(1) yang stabil tidak berkorelasi asimtotik, berguna untuk
mengasumsikan bahwa proses adalah kovarians stasioner. Kemudian, kita tahu bahwa E() = E(), dan dari
(11.2) dengan ≠ 1, ini hanya dapat terjadi jika E() = 0. Mengambil varians dari (11.2) dan menggunakan
fakta bahwa dan adalah independen (dan karena itu tidak berkorelasi), Var () = Var () + Var (), dan di
bawah stasioneritas kovarians, kita harus memiliki = . Sejak < 1 dengan kondisi stabilitas, kita dapat
mudah dipecahkan untuk :

Sekarang, kita dapat menemukan kovarians antara dan untuk ℎ ≥ 1. Karena E() = 0 untuk semua t, kita dapat mengalikan persamaan
Menggunakan substitusi berulang, terakhir ini dengan dan mengambil harapan untuk mendapatkan
Cov(, ). Menggunakan fakta bahwa tidak berkorelasi dengan untuk
semua j memberi
Persamaan (11.4) penting karena menunjukkan bahwa, meskipun dan berkorelasi untuk setiap ℎ ≥ 1,
korelasi ini menjadi sangat kecil untuk h besar: karena || < 1, → 0 sebagai h →∞. Bahkan ketika besar
—katakanlah, 0,9, yang menyiratkan korelasi positif yang sangat tinggi antara suku-suku yang
berdekatan—korelasi antaradan cenderung nol cukup cepat. Misalnya, Corr(, ) = 0.591, Corr(, ) =
0.349, dan Corr(, ) = 0,122.

Sebelum mengakhiri bagian ini, kita harus menekankan satu hal yang sering menyebabkan
kebingungan dalam waktu ekonometrika seri. Serangkaian tren, meskipun tentu saja nonstasioner,
dapat bergantung secara lemah. Di dalam Faktanya, dalam model tren waktu linier sederhana di Bab 10
[lihat persamaan (10.24), deret {} adalah sebenarnya mandiri. Suatu deret yang stasioner terhadap tren
waktunya, serta bergantung lemah, adalah sering disebut proses trend-stasioner.
Bagian
2
SIFAT
ASIMTO
TIK OLS
 2.2 Sifat Asimtotik OLS
Di bagian ini, kami menyatakan asumsi dan hasil utama yang membenarkan OLS lebih umum.
Pembuktian teorema dalam bab ini agak sulit dan oleh karena itu dihilangkan.

Persyaratan parameter linier lagi berarti bahwa kita dapat menulis model sebagai

Kami telah menyertakan stasioneritas dalam Asumsi TS.1’ untuk Ini adalah asumsi yang paling alami mengenai hubungan antara
kenyamanan dalam menyatakan dan menafsirkan asumsi. Jika kami dan variabel penjelas. Ini jauh lebih lemah dari Asumsi TS.3
bekerja dengan hati-hati melalui sifat asimtotik OLS, seperti yang karena tidak membatasi bagaimana berhubungan dengan variabel
kami lakukan di Lampiran E, stasioneritas juga akan penjelas dalam periode waktu lain. Untuk tujuan tertentu, perlu
menyederhanakan derivasi tersebut. Tetapi stasioneritas sama sekali diketahui bahwa hasil konsistensi berikut hanya memerlukan ke
tidak penting untuk OLS memiliki sifat asimtotik standarnya. memiliki mean tanpa syarat nol dan tidak berkorelasi dengan
setiap :
 Ada beberapa perbedaan praktis utama antara Teorema 10.1 dan 11.1.
Pertama, dalam Teorema 11.1, kami menyimpulkan bahwa penduga OLS
konsisten, tetapi tidak harus tidak bias. Kedua, dalam Teorema 11.1, kami
telah melemahkan pengertian di mana variabel penjelas harus eksogen, tetapi
ketergantungan yang lemah diperlukan dalam rangkaian waktu yang
mendasarinya.

Dalam TS.4’, perhatikan bagaimana kita mengkondisikan hanya pada Yang penting, Asumsi TS.5’ tidak berlaku dalam model AR(1) yang
variabel penjelas pada waktu t (bandingkan dengan TS.4). Di dalam dinyatakan dalam persamaan (11.12) dan (11.13). Karena variabel
TS.5’, kami hanya mengkondisikan variabel penjelas dalam periode penjelas pada waktu t adalah , kita harus menunjukkan bahwa
waktu yang bertepatan dengan 𝑢t dan kami. Seperti yang dinyatakan, E(। , , ,...) untuk semua t ≠ s. Untuk melihat ini, anggaplah s < t. (NS

asumsi ini agak sulit untuk ditafsirkan, tetapi ini adalah kondisi yang kasus lain mengikuti simetri.) Kemudian, karena kami = , kami

tepat untuk mempelajari sifat sampel besar OLS dalam berbagai adalah fungsi dari y tanggal sebelumnya waktu t.

regresi deret waktu.

 Bagian
3
DERET WAKTU YANG • seri waktu yang sangat
presisten
SANGAT PRESISTEN • transformasi pada deret
DALAM ANALISIS waktu yang sangat
presisten
REGRESI • memutuskan apakah deret
waktu adalah I(1)
 2.3 Deret Waktu Yang Sangat Presisten dalam Analisis
Regresi
Di bagian ini, kami memberikan beberapa contoh waktu yang sangat persisten (atau
sangat bergantung) seri dan menunjukkan bagaimana mereka dapat diubah untuk digunakan
dalam analisis regresi.

2.3.1 Seri Waktu yang Sangat Persisten

Dalam model AR(1) sederhana (11.2), asumsi ǀ ǀ< 1 sangat penting
agar deret menjadi lemah. bergantung. Ternyata banyak deret waktu
ekonomi lebih baik dicirikan oleh model AR(1) dengan = 1. Dalam
hal ini, kita dapat menulis
Proses pada (11.20) disebut random walk. Nama tersebut berasal dari
fakta bahwa y pada waktu t adalah diperoleh dengan memulai dari nilai
sebelumnya, , dan menambahkan variabel acak rata-rata nol yang
independen dari . Kadang-kadang, jalan acak didefinisikan secara berbeda
dengan mengasumsikan sifat yang berbeda dari inovasi, et (seperti
kurangnya korelasi daripada independensi), tetapi definisi saat ini cukup
untuk tujuan kita.
Pertama, kita cari nilai harapan dari . Ini paling mudah dilakukan dengan
menggunakan substitusi berulang untuk mendapatkan

Lebih penting lagi, pemilihan acak menunjukkan perilaku yang

sangat gigih dalam arti bahwa nilai y hari ini penting untuk
Mengambil nilai yang diharapkan dari kedua belah pihak memberikan menentukan nilai y di masa depan yang sangat jauh. Untuk
melihat ini, tulis untuk periode h maka,

Sekarang, misalkan pada waktu t, kita ingin menghitung nilai

Sebaliknya, varians dari jalan acak berubah dengan t. Untuk menghitung
yang diharapkan dari yt+h dengan nilai sekarang yt .Karena nilai
varians dari random walk, untuk mempermudah kita asumsikan y0 nonrandom
yang diharapkan dari et+j , diberikan yt , adalah nol untuk
sehingga Var(y0) = 0; ini tidak mempengaruhi kesimpulan penting apa pun.
semua j ≥ 1, kita memiliki
Kemudian, oleh i.i.d. asumsi untuk {et },
Artinya, tidak peduli seberapa jauh kita melihat ke depan, Jadi, korelasi bergantung pada titik awal, t (sehingga {}
prediksi terbaik kita untuk adalah nilai hari ini, yt .Kita tidak stasioner kovarians). Selanjutnya, meskipun untuk t

dapat membandingkan ini dengan kasus AR(1) yang stabil, tetap korelasinya cenderung nol seperti h → ∞, hal itu tidak

di mana argumen serupa dapat digunakan untuk terjadi dengan sangat cepat.

menunjukkan bahwa:

Di bawah stabilitas, || < 1 ,dan E(yt+h |yt) mendekati nol

saat h→ ∞ : nilai yt menjadi kurang dan kurang penting, dan

E(yt+h |yt) semakin mendekati nilai harapan tanpa syarat,

E(yt)=0.
 Sering terjadi bahwa seri yang sangat gigih juga
mengandung tren yang jelas. Salah satu model yang
mengarah pada perilaku ini adalah random walk with
drift:

Kita dapat menunjukkan bahwa nilai harapan dari

mengikuti tren waktu linier dengan menggunakan substitusi Jalan acak dengan penyimpangan adalah contoh lain

berulang: dari proses akar unit, karena ini adalah kasus khusus = 1
dalam model AR(1) dengan intersep:
 s i pa d a D e r e t W ak tu
Transform a
n g S a ng a t P e r s i s t e n
ya
Konsep proses I(1) paling mudah dilihat untuk random walk. Dengan {yt} dihasilkan seperti pada
(11.20) untuk t = 1, 2, ...,

Δyt = yt – yr-1 = et, t = 2, 3, ...; [11.24]

oleh karena itu, deret beda pertama {Δyt : t 5 2, 3, ...} sebenarnya adalah i.i.d. urutan. Lebih umum, jika

{yt} dihasilkan oleh (11.24) di mana {et} adalah proses yang bergantung lemah, maka {Δyt} sangat
tergantung ent.

Banyak deret waktu yt yang benar-benar positif adalah sedemikian rupa sehingga log(yt) terintegrasi

dari orde satu. Di dalam kasus, kita dapat menggunakan perbedaan pertama dalam log, Δlog(yt) =

log(yt) – log(yt-1), dalam analisis regresi sis. Atau, karena

Δlog(yt) ≈ (yt – yt-1 )/yt-1, [11.25]

Terkadang jika variabel asli adalah y laju pertumbuhannya dilambangkan gy, sehingga untuk setiap t, gyt = log(yt) –

log(yt-1) atau gyt = (yt – yt-1)/yt-1. Seringkali jumlah ini dikalikan dengan 100 untuk mengubah perubahan proporsional
menjadi perubahan persentase.

Membedakan deret waktu sebelum menggunakannya dalam analisis regresi memiliki manfaat lain: menghilangkan
setiap tren waktu linier. Ini mudah dilihat dengan menulis variabel berarah linier sebagai

yt = γ0 + γ1t + vt,
 
dimana vt memiliki rata-rata nol. Kemudian, Δyt = γ1 + Δvt, dan E(Δyt) = γ1 + E(Δvt) = γ1.
 MEMU T U S K A N
APAKAH D E R ET
T U A D A L A H I (1 )
WA K
Ada metode informal yang memberikan panduan berguna tentang
apakah proses deret waktu itu secara kasar ditandai dengan
ketergantungan yang lemah. Alat yang sangat sederhana dimotivasi oleh
model AR(1): jika |ρ1| < 1, maka prosesnya adalah I(0), tetap adalah I(1)
jika ρ1 = 1. Sebelumnya, kami menunjukkan bahwa, ketika proses AR(1)
stabil, ρ1 = Corr(yt, yt-1).
Kami akan menunjukkan cara menguji H0: ρ1 = 1 terhadap H1 : ρ1 < 1.
Untuk saat ini, kami hanya dapat menggunakan sebagai panduan kasar
untuk menentukan apakah suatu deret perlu dibeda-bedakan.
 bagian 4
MODEL YANG
LENGKAP SECARA
DINAMIS DAN TIDAK
ADA KORELASI SERIAL
 Model yang
lengkap secara
dinamis dan tidak
ada korelasi serial Kita bisa membuat model regresi lainnya, meskipun asumsi
yang diperlukan agar kesalahan tidak berkorelasi secara serial
mungkin tidak masuk akal. Pertimbangkan, untuk contoh, model
regresi statis sederhana

yt = β0 + β1zt + ut [11.30]
di mana yt dan zt diberi tanggal secara bersamaan.
 Untuk memahami arti dari (11,31), kita dapat menulis
Untuk konsistensi OLS, kita hanya perlu E(ut |zt ) = 0.
(11,30) dan (11,31) secara ekuivalen sebagai
Umumnya, {ut} akan dikorelasikan secara serial. Namun,
E(yt |zt, yt-1, zt-1, …) = E(yt |zt ) = β0 + β1zt, [11.32]
jika kita berasumsi bahwa
di mana kesetaraan pertama adalah yang menarik saat ini.
E(ut |zt, yt-1, zt-1, ...) = 0, [11.31]
Dikatakan bahwa, sekali zt telah dikendalikan untuk, tidak
kemudian (seperti yang akan kami tunjukkan secara umum
kelambatan baik y atau z membantu menjelaskan arus y. Ini
nanti) Asumsi TS.5’ berlaku. Secara khusus, {ut} berurutan
adalah persyaratan yang kuat dan tidak masuk akal
tidak berkorelasi. Secara alami, asumsi (11.31) menyiratkan

bahwa zt bersifat eksogen, yaitu E(ut |zt ) = 0.

 Untuk memahami arti dari (11,31), kita dapat menulis
Untuk konsistensi OLS, kita hanya perlu E(ut |zt ) = 0.
(11,30) dan (11,31) secara ekuivalen sebagai
Umumnya, {ut} akan dikorelasikan secara serial. Namun,
E(yt |zt, yt-1, zt-1, …) = E(yt |zt ) = β0 + β1zt, [11.32]
jika kita berasumsi bahwa
di mana kesetaraan pertama adalah yang menarik saat ini.
E(ut |zt, yt-1, zt-1, ...) = 0, [11.31]
Dikatakan bahwa, sekali zt telah dikendalikan untuk, tidak
kemudian (seperti yang akan kami tunjukkan secara umum
kelambatan baik y atau z membantu menjelaskan arus y. Ini
nanti) Asumsi TS.5’ berlaku. Secara khusus, {ut} berurutan
adalah persyaratan yang kuat dan tidak masuk akal
tidak berkorelasi. Secara alami, asumsi (11.31) menyiratkan

bahwa zt bersifat eksogen, yaitu E(ut |zt ) = 0.


Selanjutnya, pertimbangkan model lag terdistribusi
terbatas dengan dua lag:
 
yt = β0 + β1zt + β2zt-1 + β3zt-2 + ut. [11.33]
kami secara alami akan berasumsi bahwa (11.33)
menangkap dinamika lag terdistribusi
E(yt |zt, zt-1, zt-2, zt-3, …) = E(yt |zt, zt-1, zt-2 );
[11.34]
E(yt |zt, yt-1, zt-1, …) = E(yt |zt, zt-1, zt-2 ). [11.35]
Selanjutnya, pertimbangkan model dengan satu lag y dan z:
yt = β0 + β1zt + β2yt-1 + β3zt-1 + ut.
 Karena model ini menyertakan variabel dependen tertinggal
Dalam model umum
yt = β0 + β1xt1 + … + βkxtk + ut, [11.36]
di mana variabel penjelas xt = (xt1, …, xtk ) mungkin atau
mungkin tidak mengandung kelambatan y atau z, (11,31)
menjadi
E(ut |xt, yt-1, xt-1, …) = 0. [11.37]
Ditulis dalam yt,
E(yt |xt, yt-1, xt-1, …) = E(yt |xt ).[11.38]
Sejak (11.37) setara dengan
E(ut |xt, ut-1, xt-1, ut-2, …) = 0, [11.39]
Kemudian, oleh hukum harapan berulang.

E(ut us|xt, xs) = E[E(utus|xt, xs, us) |xt, xs]

= E[usE(ut |xt, xs, us) |xt, xs],

di mana persamaan kedua mengikuti dari E(utus|xt, xs, us) =
 bagian 5
ASUMSI
HOMOSKEDASTISITAS
UNTUK WAKTU MODEL
SERI
Dalam model statis sederhana, katakanlah,

, [11.41]

Asumsi TS.4’ mengharuskan

.
Jika kita memiliki model.

Asumsi homokesdastisitas adalah

,
Sehingga varians dari tidak dapat bergantung pada , atau
(atau fungsi waktu lainnya). Umumnya, variabel penjelas
apapun yang muncul dalam model, kita harus
mengasumsikan bahwa varians dari diberikan variabel
penjelas ini konstan. Jika model mengancungang variabel
yang tertinggal atau variabel penjelas yang tertinggal, maka
kita secara eksplisit mengesampingkan bentuk dinamis dari
 Terima
Kasih!
Sampai jumpa pada pertemuan
berikutnya